API Ανοιχτού Κώδικα Python Αναγνώστη Πολλαπλής Επιλογής Εξετάσεων

Ξεκινώντας με το Open-MCR

Ο συνιστώμενος τρόπος για την εγκατάσταση της βιβλιοθήκης Open-MCR είναι η χρήση του pip . Παρακαλώ χρησιμοποιήστε την παρακάτω εντολή για μια ομαλή εγκατάσταση.

 pip install open-mcr 

Χρήση του μηχανισμού απόρριψης σε εφαρμογές Python

Το χαρακτηριστικό που ξεχωρίζει του Open-MCR είναι ο μηχανισμός απόρριψης, ο οποίος επιτρέπει στα μοντέλα να αρνούνται να κάνουν πρόβλεψη όταν αντιμετωπίζουν ασαφείς ή δύσκολες περιπτώσεις. Αυτή η δυνατότητα είναι κρίσιμη σε πραγματικές εφαρμογές όπου η αποφυγή λανθασμένων προβλέψεων είναι υψίστης σημασίας. Εδώ είναι ένα παράδειγμα που δείχνει πώς να χρησιμοποιήσετε τον μηχανισμό απόρριψης με μόνο λίγες γραμμές κώδικα. Για ομαλή χρήση, πρώτα εισάγετε την κλάση OpenMCR από τη βιβλιοθήκη και την αρχικοποιείτε με το προτιμώμενο μοντέλο μηχανικής μάθησης. Ορίστε την παράμετρο rejection_threshold για να ελέγξετε το επίπεδο εμπιστοσύνης για απόρριψη.

from openmcr import OpenMCR
from sklearn.ensemble import RandomForestClassifier

# Initialize Open-MCR with a RandomForestClassifier
model = RandomForestClassifier()
mcr_model = OpenMCR(model, rejection_threshold=0.3)

# Train the model
mcr_model.fit(X_train, y_train)

# Make predictions with rejection
predictions = mcr_model.predict(X_test)

Ανάγνωση & εξαγωγή δεδομένων από εικόνες μέσω Python API

Η ανοιχτού κώδικα βιβλιοθήκη Python Open-MCR παρέχει πλήρη υποστήριξη για τη φόρτωση και ανάγνωση δεδομένων από εικόνες μέσα σε εφαρμογές Python. Για τη διαχείριση εξετάσεων και την ανάγνωση φύλλων, οι χρήστες πρέπει πρώτα να σαρώσουν όλα τα φύλλα χρησιμοποιώντας έναν τυπικό σαρωτή. Μετατρέψτε τα σε μεμονωμένες εικόνες και τοποθετήστε τα σε έναν ενιαίο φάκελο, συμπεριλαμβανομένων των κλειδιών απαντήσεων. Εκτός από την ανάγνωση σαρωμένων εικόνων, μπορεί επίσης να βαθμολογεί αυτόματα τα αποτελέσματα των εξετάσεων. Το κάνει αυτό συγκρίνοντας τα παρεχόμενα κλειδιά με το αποτέλεσμα. Αφού το πρόγραμμα ολοκληρώσει την επεξεργασία, τα αποτελέσματα θα αποθηκευτούν ως αρχεία CSV στον επιλεγμένο φάκελο εξόδου. Η βιβλιοθήκη παρέχει επίσης υποστήριξη για εξαγωγή δεδομένων όταν διαβάζονται ελαφρώς παραμορφωμένες εικόνες. Με την τελευταία έκδοση η βιβλιοθήκη βελτίωσε τον αλγόριθμο εντοπισμού πλέγματος και προσφέρει καλύτερα αποτελέσματα με την εικόνα σας. Δημιουργεί ένα πλέγμα βασισμένο στα τέσσερα σημεία γωνίας και στη συνέχεια διαβάζει τις φούσκες από τις θέσεις στο πλέγμα. Το παρακάτω παράδειγμα δείχνει πώς να υπολογίσετε τα αποτελέσματα μέσω κώδικα Python.

import csv
import pathlib
import typing as tp

import data_exporting
import grid_info
import list_utils
import math_utils

def score_results(results: data_exporting.OutputSheet,
                  answer_keys: data_exporting.OutputSheet,
                  num_questions: int) -> data_exporting.OutputSheet:
    answers = results.data
    keys = establish_key_dict(answer_keys)
    form_code_column_name = data_exporting.COLUMN_NAMES[
        grid_info.Field.TEST_FORM_CODE]
    form_code_index = list_utils.find_index(answers[0], form_code_column_name)
    answers_start_index = list_utils.find_index(
        answers[0][form_code_index + 1:], "Q1") + form_code_index + 1
    virtual_fields: tp.List[grid_info.RealOrVirtualField] = [
        grid_info.VirtualField.SCORE, grid_info.VirtualField.POINTS
    ]
    columns = results.field_columns + virtual_fields
    scored_results = data_exporting.OutputSheet(columns, num_questions)

    for exam in answers[1:]:  # Skip header row
        fields = {
            k: v
            for k, v in zip(results.field_columns, exam[:answers_start_index])
        }
        form_code = exam[form_code_index]
        try:
            if "*" in keys:
                key = keys["*"]
            else:
                key = keys[form_code]
        except KeyError:
            fields[grid_info.VirtualField.
                   SCORE] = data_exporting.KEY_NOT_FOUND_MESSAGE
            fields[grid_info.VirtualField.
                   POINTS] = data_exporting.KEY_NOT_FOUND_MESSAGE
            scored_answers = []
        else:
            scored_answers = [
                int(actual == correct)
                for actual, correct in zip(exam[answers_start_index:], key)
            ]
            fields[grid_info.VirtualField.SCORE] = str(
                round(math_utils.mean(scored_answers) * 100, 2))
            fields[grid_info.VirtualField.POINTS] = str(sum(scored_answers))
        string_scored_answers = [str(s) for s in scored_answers]
        scored_results.add(fields, string_scored_answers)

    return scored_results

Βελτιωμένη ακρίβεια και ανθεκτικότητα

Η ανοιχτού κώδικα βιβλιοθήκη Open-MCR είναι μια πολύτιμη προσθήκη στο σύνολο εργαλείων των επαγγελματιών μηχανικής μάθησης που επιδιώκουν να βελτιώσουν την απόδοση των μοντέλων πολυκατηγορικής ταξινόμησης. Ο μηχανισμός απόρριψης αυξάνει την συνολική ακρίβεια των μοντέλων πολυκατηγορικής ταξινόμησης, ειδικά σε καταστάσεις όπου τα παραδοσιακά μοντέλα μπορεί να δυσκολεύονται. Αυτός ο μηχανισμός επίσης ενισχύει την ανθεκτικότητα του μοντέλου αποτρέποντας την εκτέλεση αναξιόπιστων προβλέψεων, εξασφαλίζοντας πιο αξιόπιστα αποτελέσματα σε διάφορα πραγματικά σενάρια.